一种基于时间特性的二部图推荐算法.pdf

第31卷第3期 广西师范大学学报：自然科学版 V01．31No，3 2013年9月 of Normal ScienceEdition Journal Sept．2013 Guangxi University：Natural 一种基于时间特性的二部图推荐算法 周俊临，傅彦，孔祥迎，丁建勇 (电子科技大学互联网科学中心．四川成都611731) 摘要：随着互联网的发展，大量商品信息不断涌现，从而产生了信息过载问题。推荐系统作为解决此同题的 有效手段，近年来得到快速发展。现存方法大多以用户行为和商品内容相似性为基础，利用用户购买记录和 商品描述信息来产生推荐结果。事实上，用户的购买行为与时间也有着密切的联系。例如。最近购买的商品往 往更能体现用户的当前兴趣。因此，在传统基于相似性推荐的基础上，本文提出一种基于时间特性的二部图 推荐方法，通过调整初始资源权重分布体现用户兴趣随时间的变化趋势。实验证明，本文提出的方法在面向 时间的Top—N命中率上有较大幅度提升。本文工作不仅对现有推荐算法的效果提高具有实际意义，对推荐系 统在真实商业环境中的应用也有很大促进作用。 关键词：推荐系统l时间特性；二部图；资源分配 中图分类号：TP311 文献标识码：A 文章编号：1001—6600(2013)03—0081—06 0引言 以往人们习惯于在商场和大型超市中进行购物，但是无论购物场所的规模多么庞大，我们仍会因为无 法找到心仪的商品而心存遗憾。究其原因，实体店中商品的展示总要受到其营业面积的限制，所以我们能 看到的展品仅是所有商品中经过筛选后的一部分，而更多的商品则不得不留在仓库中默默等侯。随着互联 网技术的迅猛发展，人们已经可以随时随地通过网络浏览和购买自己喜爱的商品，同时硬盘空间的低成本 使得商家能够将越来越多的商品展示出来。由此，海量的商品信息不断涌现到用户端，这样虽然解决了商 品展示的空间区域限制，但对个人用户来说，浏览一遍这些商品却需要花费数月甚至数年的时间，要从中 进行选择就更不可能了。用户的关注力已经完全淹没在网上浩瀚的商品中，这就是我们所谓的信息过载问 题。网络搜索引擎的出现，帮助用户缓解了信息过载的压力，但是相同的关键词只能得到相同的搜索结果， 无法解决用户购买商品时的个性化问题。推荐系统的出现，为每个用户提供了一种量身定做的个人解决方 案，并且各种推荐算法[1]已经大量地应用在现实商业环境中，为用户解决购买商品时的个性化服务问题。 现存推荐方法大多利用用户的购买记录挖掘用户偏好，主要包括协同过滤技术、基于内容的推荐技 术、基于网络的推荐技术和混合推荐技术等4类。协同过滤技术的主要思想是：历史上具有相似行为的用 户，在未来仍会有相似的行为。首先发现系统中与目标用户历史行为相似度最高的用户集，然后，利用这些 用户已经购买而目标用户尚未购买的商品集生成目标用户的推荐列表。基于内容的推荐技术主要利用目 标用户已经购买的商品集，并在系统中发现与其内容相似度最高的其他商品，将其放在推荐列表中。基于 网络结构的推荐算法[z-4]把用户集和商品集分别看成2个抽象的节点集合，将用户购买行为看成节点之间 的连边。由此，能够形成一个用户集和商品集内部无边。而用户集与商品集之间具有多条连边的二部图。在 收稿日期：2013—06—05 (20120185120017) 万方数据 82 广西师范大学学报：自然科学版 第31卷 此基础上，周涛提出一种基于资源分配的推荐算法D]，Huang等通过引入扩散动力学[6]，部分解决了数据 稀疏问题。这些算法效果都明显好于经典的协同过滤。实际上，在用户的购买过程中，除用户购买记录之 外还有很多有用的隐含信息可以被有效利用。例如，通过分析用户对各类商品的购买时间，能够发现用户 兴趣随时间的变化情况。杨杰等[7]针对用户购买行为随时间变化发生的兴趣漂移现象进